Entienda cómo usar el diagrama de dispersión en calidad para investigar relaciones entre variables, interpretar patrones y evitar confundir correlación con causalidad.
¡Descúbrelo!
El diagrama de dispersión es una herramienta gráfica utilizada para investigar si dos variables numéricas presentan algún patrón de asociación. En Ingeniería, ayuda a transformar una hipótesis como “la temperatura parece aumentar la tasa de fallos” o “más revisiones parecen aumentar el plazo de aprobación” en un análisis visual basado en pares de datos. El gráfico puede revelar asociación positiva, negativa, ausencia de patrón, no linealidad, agrupamientos y valores atípicos. Sin embargo, una relación visual o estadística no demuestra, por sí sola, causalidad.
El valor de la herramienta está en confrontar una hipótesis con evidencias. Es especialmente útil después de definir el problema y disponer de datos pareados confiables, pero antes de concluir que una variable es causa de la otra.
Qué es un diagrama de dispersión
El diagrama de dispersión, también llamado scatter plot o gráfico X-Y, representa pares de observaciones en un plano cartesiano. Cada punto corresponde a una observación: una variable se ubica en el eje horizontal y la otra en el eje vertical.
Si un equipo acompaña, por ejemplo, el número de interferencias encontradas en una revisión de proyecto y el número de horas consumidas en retrabajo para cada paquete, cada paquete genera un par de valores. Al representar decenas de paquetes, el patrón puede mostrar si mayores cantidades de interferencias tienden a acompañar mayores volúmenes de retrabajo.
La American Society for Quality clasifica el diagrama de dispersión entre las siete herramientas básicas de la calidad. NIST lo describe como una técnica de análisis exploratorio para verificar relaciones o asociaciones entre dos variables.
La herramienta no sustituye regresión, pruebas de hipótesis ni conocimiento de Ingeniería. Es una etapa de investigación que ayuda a decidir si conviene profundizar una determinada relación.
Qué significa cada punto
Un error frecuente es interpretar el gráfico como una serie temporal. Normalmente no lo es. Cada punto representa un par de valores correspondiente a la misma unidad de análisis: equipo, documento, lote, inspección, proyecto, período o incidencia.
Por ejemplo:
- eje X: temperatura medida en un panel;
- eje Y: corriente medida en el mismo panel y en el mismo instante;
- cada punto: un instante de medición.
En otro contexto:
- eje X: número de comentarios recibidos por documento;
- eje Y: tiempo total hasta la aprobación;
- cada punto: un documento emitido.
La calidad del pareamiento es fundamental. Si los valores de X e Y no corresponden a la misma unidad, período o condición, el gráfico puede sugerir relaciones artificiales.
Para qué sirve el diagrama de dispersión en calidad
La herramienta sirve principalmente para responder: ¿existe algún patrón de relación entre estas dos variables que justifique una investigación adicional?
Puede aplicarse para:
- probar visualmente hipótesis planteadas en Ishikawa o 5 Porqués;
- comparar una variable de proceso con una respuesta de calidad;
- investigar factores asociados a retrabajo, plazo, productividad o fallos;
- verificar si dos mediciones varían de forma semejante;
- identificar agrupamientos que sugieren poblaciones o regímenes diferentes;
- percibir relaciones no lineales que un coeficiente simple podría ocultar;
- detectar observaciones atípicas que merecen investigación individual.
La herramienta es más valiosa cuando el equipo evita “buscar una historia” en el gráfico y parte de una pregunta técnica definida.
De la hipótesis al dato
Considere un equipo que sospecha que documentos con muchas interfaces entre disciplinas tardan más en aprobarse. La afirmación todavía es una hipótesis. Para analizarla, sería necesario definir variables observables, por ejemplo:
- X = número de disciplinas con interfaz relevante en el documento;
- Y = tiempo entre primera emisión y aprobación final.
A partir de allí, el equipo recopila pares para una cantidad representativa de documentos y construye el gráfico.
Si la nube de puntos se inclina hacia arriba, existe indicación de asociación positiva. Si los puntos están dispersos sin patrón, la hipótesis puede ser débil o los datos pueden necesitar estratificación. Si aparecen dos grupos claramente separados, quizá existan tipos de documento, clientes o fases diferentes mezclados en el mismo análisis.
Cómo interpretar los principales patrones
La interpretación comienza por la forma de la nube de puntos y no por el deseo de confirmar la hipótesis inicial.
Asociación positiva
Existe asociación positiva cuando valores mayores de X tienden a aparecer con valores mayores de Y. En Ingeniería, esto podría ocurrir entre cantidad de revisiones y lead time de aprobación, carga aplicada y deformación dentro de un determinado rango, o número de pendientes y horas de retrabajo.
Cuanto más estrecha y ordenada sea la nube alrededor de una tendencia creciente, más fuerte parece la asociación visual. Aun así, el gráfico no demuestra causalidad.
Asociación negativa
Existe asociación negativa cuando el aumento de X tiende a acompañar la reducción de Y. Un ejemplo posible sería el aumento de la cobertura de inspecciones y la reducción de defectos no detectados, siempre que las variables hayan sido definidas y medidas de manera coherente.
Nuevamente, una tercera variable puede explicar ambas. La madurez del proveedor, por ejemplo, puede aumentar simultáneamente la disciplina de inspección y reducir la cantidad de defectos.
Ausencia aparente de relación
Una nube sin dirección visible sugiere que la relación entre las variables es débil, inexistente, está enmascarada o está mal especificada.
Esto no significa automáticamente que “X no influye en Y”. Deben evaluarse varias posibilidades:
- rango de X demasiado estrecho;
- mezcla de poblaciones diferentes;
- error de medición relevante;
- desfase temporal entre causa y efecto;
- relación no lineal;
- variable de respuesta influenciada por varios factores simultáneamente.
NIST destaca precisamente que el gráfico permite evaluar relaciones lineales y no lineales, cambios de variabilidad y outliers.
Relación no lineal
No todo fenómeno físico u operativo sigue una recta. Puede existir un rango óptimo, saturación, umbral o comportamiento curvo.
Un equipo puede operar de forma estable hasta determinada temperatura y presentar un aumento brusco de fallos por encima de un límite. Si el análisis busca únicamente correlación lineal, este patrón puede subestimarse.
Agrupamientos
Dos o más grupos de puntos suelen indicar que los datos pertenecen a condiciones diferentes. En Ingeniería, las causas pueden ser:
- proveedores distintos;
- familias de equipos diferentes;
- equipos de trabajo o disciplinas diferentes;
- fases distintas del proyecto;
- ambientes operativos diferentes;
- versiones diferentes de un procedimiento.
El siguiente paso no es calcular inmediatamente una única tendencia sobre todos los puntos. Primero es necesario estratificar y entender por qué existen grupos.
Outliers
Un punto muy alejado de la nube merece análisis. Puede ser un error de registro, un error de medición, una condición excepcional o una incidencia técnicamente relevante.
Excluir un punto solo porque “arruina la tendencia” es una práctica incorrecta. La decisión debe documentarse y justificarse técnicamente.
Cuando una hipótesis parece plausible, el siguiente paso es transformarla en evidencia. En procesos de Ingeniería, la relación entre variables solo adquiere valor para la decisión cuando los datos son comparables, trazables y analizados dentro del contexto técnico.
Conozca el Diagnóstico y Optimización de Procesos de Ingeniería
Correlación no es causalidad
Esta es la principal precaución al usar un diagrama de dispersión. Dos variables pueden moverse juntas sin que una provoque la otra.
Existen al menos cuatro situaciones diferentes:
- X influye en Y;
- Y influye en X;
- una tercera variable influye en X e Y;
- la relación observada ocurrió por azar o por sesgo en los datos.
Por ejemplo, un equipo puede observar que los proyectos con más reuniones tienen más atrasos. Sería incorrecto concluir que las reuniones causan el atraso. Los proyectos más complejos pueden exigir más reuniones y, al mismo tiempo, tener mayor riesgo de atraso. La complejidad sería una variable de confusión.
En una investigación de causa raíz, el diagrama de dispersión debe utilizarse para probar la plausibilidad de las relaciones, no para cerrar la investigación.
Cómo fortalecer una hipótesis causal
Una hipótesis gana fuerza cuando convergen diferentes tipos de evidencia:
- existe un mecanismo técnico plausible;
- la secuencia temporal tiene sentido;
- los datos muestran una asociación consistente;
- la relación permanece después de estratificar factores relevantes;
- intervenciones o cambios controlados producen un efecto compatible;
- se examinaron otras hipótesis competidoras.
Esta lógica conecta el diagrama de dispersión con el Análisis de Causa Raíz — RCA y con el artículo de 5 Porqués en Ingeniería: el gráfico ayuda a calificar evidencias, mientras que la investigación completa debe explicar el mecanismo y demostrar que la causa es consistente con los hechos.
Cómo construir correctamente un diagrama de dispersión
La construcción gráfica es simple. El trabajo difícil está en la definición de los datos.
1. Formular una pregunta técnica
Comience con una pregunta específica, por ejemplo: “¿el número de comentarios de revisión está asociado al tiempo hasta la aprobación?”.
Preguntas vagas como “¿por qué funciona mal el proceso?” no definen dos variables observables.
2. Definir las variables
Cada variable debe tener unidad, criterio de medición y fuente de datos claros.
Para el ejemplo anterior:
- X: cantidad de comentarios técnicos registrados en la primera ronda;
- Y: días corridos desde la primera emisión hasta la aprobación.
Si “comentario” incluye observaciones editoriales en algunos documentos y solo desviaciones técnicas en otros, el dato se vuelve inconsistente.
3. Garantizar el pareamiento
Cada X debe corresponder al Y de la misma unidad de análisis. No mezcle promedios mensuales de una variable con valores individuales de otra sin justificación.
4. Obtener una cantidad y rango adecuados de datos
Pocos puntos hacen inestable la lectura. Un rango muy estrecho de X puede ocultar una relación existente. El tamaño adecuado depende de la variabilidad, el contexto y la decisión que se tomará.
5. Graficar e identificar unidades
Los ejes deben mostrar el nombre y la unidad de las variables. El gráfico debe ser comprensible sin depender de una explicación oral.
6. Buscar patrones antes de calcular métricas
Evalúe dirección, forma, agrupamientos, outliers y cambios de dispersión. El gráfico es una herramienta exploratoria.
7. Estratificar cuando sea necesario
Si existen poblaciones diferentes, sepárelas por proveedor, disciplina, equipo, fase u otra dimensión técnicamente relevante.
8. Complementar con estadística cuando la decisión lo exija
Correlación, regresión, intervalos de confianza y pruebas de hipótesis pueden ser necesarios cuando la decisión tiene mayor consecuencia. El diagrama orienta esta etapa, pero no la sustituye.
Diagrama de dispersión vs. correlación
Los conceptos están relacionados, pero son diferentes.
| Aspecto | Diagrama de dispersión | Coeficiente de correlación |
| Naturaleza | Visual | Numérica |
| Muestra no linealidad | Sí | Puede no representarla bien |
| Muestra outliers | Sí | No directamente |
| Muestra agrupamientos | Sí | Puede ocultarlos |
| Resume fuerza/dirección lineal | Visualmente | Sí |
| Demuestra causalidad | No | No |
Una práctica madura utiliza ambos de forma complementaria. Calcular un único coeficiente sin observar el gráfico puede ocultar dos grupos, un outlier dominante o una relación curva.
Diagrama de dispersión vs. histograma
El histograma en calidad responde cómo se distribuye una variable. El diagrama de dispersión analiza cómo se comportan dos variables en conjunto.
Si la pregunta es “¿cómo se distribuye el plazo de aprobación de los documentos?”, utilice histograma. Si la pregunta es “¿el plazo de aprobación aumenta cuando crece el número de comentarios?”, utilice dispersión.
Los dos gráficos pueden utilizarse en la misma investigación porque responden preguntas diferentes.
Diagrama de dispersión vs. carta de control
La carta de control acompaña una variable a lo largo del tiempo o de la secuencia de producción y busca señales de causas especiales. El diagrama de dispersión relaciona dos variables.
En algunos casos, las herramientas se conectan. Si una carta muestra inestabilidad, el equipo puede investigar factores asociados a la variación mediante dispersión. Si el proceso presenta autocorrelación, la estructura temporal de los datos también debe considerarse antes de interpretar relaciones simples.
Aplicación en proyectos de Ingeniería
En proyectos, los datos normalmente no tienen la repetitividad de una línea de producción. Esto no impide usar la herramienta, pero exige cuidado con la unidad de análisis.
Algunos pares posibles:
| Variable X | Variable Y | Pregunta posible |
| número de interfaces | tiempo de aprobación | ¿las interfaces aumentan el lead time? |
| número de comentarios | horas de retrabajo | ¿los comentarios se asocian al esfuerzo de corrección? |
| porcentaje de requisitos incompletos | revisiones emitidas | ¿una definición insuficiente aumenta la reemisión? |
| atraso en datos de entrada | atraso en la entrega | ¿las dependencias tardías propagan el atraso? |
| cantidad de disciplinas | número de clashes | ¿la complejidad aumenta los conflictos detectados? |
El principal riesgo es mezclar proyectos incomparables. Un documento simple de una disciplina y un paquete multidisciplinario crítico pueden pertenecer a poblaciones diferentes.
Aplicación en obras y QA/QC
En obras, inspecciones y control de calidad, el diagrama puede relacionar condiciones de ejecución con resultados medidos.
Ejemplos:
- temperatura ambiente × resultado de ensayo;
- tiempo de curado × resistencia obtenida;
- humedad × defectos observados;
- experiencia del equipo × tasa de retrabajo;
- cantidad de inspecciones × desviaciones no detectadas;
- atraso en la inspección × volumen de correcciones posteriores.
El análisis debe respetar la física, el proceso constructivo, las especificaciones, el método de medición y la trazabilidad. Un gráfico visualmente convincente no sustituye criterios normativos ni juicio de Ingeniería.
Uso con inspección y no conformidades
Una hoja de verificación puede utilizarse para recopilar incidencias de forma consistente. Pareto ayuda a priorizar categorías. Ishikawa organiza hipótesis. El diagrama de dispersión prueba relaciones cuantitativas específicas.
Esta secuencia es más robusta que saltar directamente de una percepción a una acción correctiva.
La calidad no se controla únicamente registrando desviaciones. La investigación debe conectar incidencias, causas potenciales, datos de campo y criterios de aceptación para distinguir percepción de evidencia y evitar acciones correctivas débiles.
Vea Gestión de Requisitos, Evidencias y Criterios de Aceptación
Aplicación en operación y mantenimiento
En la operación de activos, la herramienta puede ayudar a investigar relaciones entre condición y desempeño:
- temperatura × tasa de fallos;
- vibración × pérdida de eficiencia;
- carga × calentamiento;
- horas de operación × degradación;
- frecuencia de mantenimiento × indisponibilidad;
- contaminante × vida útil del componente.
Es esencial considerar desfases temporales. Una condición observada hoy puede influir en fallos semanas después. Parear mediciones del mismo instante puede no captar el mecanismo real.
Cómo evitar interpretaciones erróneas
Confundir correlación con causa
Es el error más conocido. La relación es una pista, no una prueba.
Ignorar la física o el proceso
Un patrón debe ser técnicamente explicable. Estadística sin mecanismo puede producir decisiones débiles.
Usar promedios agregados
Los promedios pueden ocultar variación interna. Siempre que sea posible, preserve la granularidad necesaria para la pregunta.
Mezclar poblaciones
Proveedor, turno, disciplina, ambiente o versión del proceso pueden formar grupos distintos.
Eliminar outliers sin investigación
Un outlier puede ser precisamente el evento que revela una condición especial.
Forzar una relación lineal
Curvas, umbrales y saturación son comunes en sistemas técnicos.
Elegir las variables después de ver el resultado
Probar decenas de combinaciones hasta encontrar una relación “interesante” aumenta el riesgo de conclusiones espurias. La pregunta debe nacer del problema y del conocimiento técnico.
Cómo usar dispersión dentro de una investigación de causa
Un enfoque consistente puede seguir esta secuencia:
- definir el problema y la métrica de respuesta;
- organizar causas potenciales con Ishikawa u otra técnica;
- identificar hipótesis que pueden representarse mediante variables medibles;
- recopilar datos pareados con criterios consistentes;
- construir los diagramas de dispersión;
- descartar hipótesis sin soporte y profundizar las plausibles;
- aplicar análisis estadístico adicional cuando sea necesario;
- confirmar el mecanismo causal con evidencias independientes;
- definir una acción sobre la causa validada;
- medir la eficacia después de la intervención.
Esta secuencia evita utilizar la herramienta como mera ilustración.
Cuándo el diagrama de dispersión no es la mejor herramienta
No es adecuado cuando:
- las variables son esencialmente categóricas;
- no existen pares de datos comparables;
- el proceso cambió varias veces durante el período y los regímenes no fueron separados;
- la pregunta trata sobre la distribución de una única variable;
- la prioridad es acompañar la estabilidad temporal;
- la hipótesis involucra una lógica causal compleja sin representación cuantitativa simple.
En estos casos, otras herramientas del conjunto pueden responder mejor. El artículo Herramientas de la Calidad en Ingeniería ayuda a elegir la técnica de acuerdo con la pregunta.
Del gráfico a la decisión de Ingeniería
El objetivo no es producir un gráfico bonito, sino mejorar una decisión.
Una relación relevante debe conducir a preguntas como:
- ¿el mecanismo es técnicamente plausible?
- ¿la relación es suficientemente fuerte como para alterar una decisión?
- ¿existen variables de confusión?
- ¿la misma tendencia aparece en grupos diferentes?
- ¿necesitamos regresión o un experimento adicional?
- ¿qué acción podría modificar X y, si la hipótesis es causal, producir efecto en Y?
- ¿cómo verificaríamos la eficacia de la intervención?
Este razonamiento conecta análisis de datos, calidad y mejora continua.
El valor del análisis está en la decisión que mejora. Cuando múltiples variables, áreas y causas deben evaluarse en conjunto, un enfoque consultivo ayuda a estructurar el problema, seleccionar evidencias y transformar hallazgos en acciones verificables.
Consideraciones finales
El diagrama de dispersión es una herramienta simple para una pregunta importante: ¿dos variables parecen estar relacionadas? En Ingeniería, su utilidad aumenta cuando el análisis parte de una hipótesis técnica, utiliza datos pareados confiables, considera la estratificación y evita confundir asociación con causalidad.
El gráfico debe tratarse como evidencia exploratoria. Puede indicar dónde profundizar, revelar que una hipótesis no se sostiene, mostrar grupos diferentes o evidenciar patrones no lineales. Cuando se integra con RCA, DMAIC, SPC y otras herramientas de la calidad, ayuda a sustituir decisiones intuitivas por una investigación basada en datos.
Referencias técnicas
[1] AMERICAN SOCIETY FOR QUALITY. Scatter Diagram. Milwaukee: ASQ. Disponible en: https://asq.org/quality-resources/scatter-diagram
[2] NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY. Engineering Statistics Handbook: Scatter Plot. Gaithersburg: NIST. Disponible en: https://www.itl.nist.gov/div898/handbook/eda/section3/eda33q.htm
[3] AMERICAN SOCIETY FOR QUALITY. Quality Tools & Templates. Milwaukee: ASQ. Disponible en: https://asq.org/quality-resources/quality-tools
Preguntas frecuentes
Es un gráfico X-Y que representa pares de valores numéricos para investigar visualmente si dos variables presentan asociación, patrones, agrupamientos, no linealidad u outliers.
No. Asociación o correlación no demuestran causalidad. La hipótesis debe estar sustentada por un mecanismo técnico, secuencia temporal, estratificación y otras evidencias.
El histograma muestra la distribución de una variable. El diagrama de dispersión relaciona dos variables mediante pares de observaciones.
Cuando existe una hipótesis causal que puede representarse mediante dos variables medibles y hay datos pareados confiables para verificar si la relación tiene soporte empírico.
Puede indicar ausencia de relación, rango de datos estrecho, mezcla de poblaciones, error de medición, relación no lineal o influencia de otras variables. Es necesario analizar el contexto antes de concluir.
